Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements
L'article présente « Lifting », un cadre de discrimination d'états quantiques qui améliore la fiabilité des mesures à mi-parcours sur le matériel supraconducteur en combinant l'encodage par répétition, le décodage par réseau neuronal et le calibrage in situ pour atténuer le bruit et la détérioration des états.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les ordinateurs quantiques promettent de résoudre des problèmes qui prendraient des milliers d'années aux machines classiques, mais ils sont incroyablement fragiles. Pour fonctionner, ils doivent effectuer des séquences d'opérations complexes tout en vérifiant constamment les erreurs. Une partie critique de ce processus est la capacité de mesurer un bit quantique, ou qubit, au milieu d'un calcul sans détruire l'intégralité du calcul. C'est ce qu'on appelle une mesure à mi-circuit. Lorsqu'un qubit est mesuré, il produit un faible signal micro-onde qui doit être interprété pour déterminer si le qubit est dans un état zéro ou un état un. Cependant, sur les puces supraconductrices utilisées aujourd'hui, ce signal est souvent bruité et déformé. À mesure qu'un calcul progresse et que les qubits sont mesurés de manière répétée, l'état physique du matériel se dégrade, rendant les signaux encore plus difficiles à lire. Si l'ordinateur interprète mal un signal, il pourrait appliquer la mauvaise correction, provoquant l'échec de tout le calcul.
Les chercheurs ont tenté d'améliorer ce processus de lecture en utilisant l'intelligence artificielle, spécifiquement les réseaux de neurones, qui sont doués pour trouver des motifs dans des données désordonnées. Pourtant, il existe une limite stricte à la performance de ces réseaux s'ils ne regardent que le signal d'un seul qubit. Si le bruit fait que les signaux pour zéro et un se chevauchent trop, aucune quantité d'entraînement logiciel ne peut les distinguer avec certitude. De plus, les méthodes de calibration standard, qui apprennent à l'ordinateur comment lire les signaux avant qu'une exécution ne commence, échouent souvent à correspondre à la réalité de ce qui se passe lors d'un calcul long et complexe. Les signaux changent à mesure que le circuit s'exécute, laissant le logiciel entraîné sur des informations obsolètes.
Pour surmonter ces obstacles, une équipe de chercheurs de l'Université de l'Indiana et du Laboratoire national Lawrence Berkeley a développé un nouveau cadre appelé Lifting. Au lieu d'essayer de perfectionner la lecture d'un seul qubit, le Lifting modifie la manière dont l'information est recueillie. Avant de mesurer un qubit cible, le système le lie temporairement à un ou plusieurs qubits auxiliaires. Cela crée un groupe de qubits qui partagent le même état. Le système les mesure ensuite tous exactement en même temps, capturant un signal combiné qui inclut la cible et ses auxiliaires. En observant cette image conjointe plutôt qu'un signal isolé unique, le système gagne des informations supplémentaires qui aident à séparer les états zéro et un, même lorsqu'ils sont bruités.
Les chercheurs ont testé cette approche sur trois processeurs quantiques IBM différents. Ils ont constaté que le simple fait d'ajouter les qubits auxiliaires et de les mesurer ensemble réduisait considérablement la confusion entre les états. Cependant, l'équipe a également découvert que le moment de l'entraînement importait autant que le matériel. Ils ont créé une méthode pour calibrer le logiciel de lecture pendant que le circuit était réellement en cours d'exécution, garantissant que l'ordinateur apprenne à interpréter les signaux dans les conditions exactes auxquelles il serait confronté lors de la tâche réelle. Cette calibration « in situ » tenait compte de la façon dont le matériel changeait à mesure que le calcul progressait.
Lorsque les chercheurs ont combiné la technique de mesure conjointe avec cette calibration en temps réel, les résultats ont été substantiels. Dans un test impliquant des mesures répétées, un système standard s'appuyant sur des méthodes de calibration plus anciennes n'a réussi à accomplir la tâche correctement qu'environ 54 % du temps. Le nouveau cadre Lifting, utilisant les signaux combinés et l'entraînement en temps réel, a porté le taux de réussite à près de 62 % en filtrant les résultats les plus ambigus. Dans d'autres tests impliquant la correction d'erreurs et la téléportation de données, la nouvelle méthode a systématiquement surpassé les approches standard. L'étude suggère que la meilleure façon de lire un ordinateur quantique n'est pas seulement de construire un meilleur décodeur, mais de changer l'information disponible pour lui et de l'enseigner en utilisant les mêmes conditions qu'il rencontrera dans le monde réel. Cette approche offre une voie pratique pour rendre les ordinateurs quantiques plus fiables sans nécess avoir besoin de matériel entièrement nouveau.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.